提升現有架構：更好的路徑鋪就更出色的人工智慧
引言
人工智慧（AI）領域一直在尋求提升，以解決更複雜的問題和執行更精確的任務。深度學習作為一種強大的方法，透過層層分類來完成任務。然而研究人員是否可以透過選擇對輸出最具影響力的路徑，而不是在每個層級上進行區域性決策，來實現全面性的決策？來自以色列巴伊蘭大學的研究人員在最新發表於《科學報告》期刊上的一篇文章中回答了這個問題。他們透過更新對輸出最具影響力的路徑來改進現有的深度結構，為更出色的 AI 學習鋪平了道路。
從區域性決策到全域性決策
這項研究的領導者，巴伊蘭大學物理系和甘達（戈爾德施密德）多學科腦部研究中心的教授伊多·坎特（Ido Kanter）說：“可以將其想像成兩個孩子想要攀登一座彎彎曲曲的山。其中一個孩子在每個十字路口選擇最快的當地路線，而另一個則使用雙筒望遠鏡來看到整條路線的全景，並選擇最短和最重要的路線，就像 Google 地圖或 Waze 一樣。第一個孩子可能會領先一步，但第二個孩子最終會取得勝利。”這種從區域性決策到全域性決策的轉變可以為增強的 AI 學習鋪平道路，透過選擇通向頂點的最重要路徑。
如何在 AI 中應用全域性決策
這項研究的關鍵參與者、巴伊蘭大學的博士生雅登·扎赫（Yarden Tzach）稱，就像選擇最短路徑攀登一座山一樣，透過對輸出的最具影響力的路徑進行訓練，可以改善分類任務。這種全域性決策的應用可以透過訓練對輸出最具影響力的路徑來提升現有的架構，而不僅僅是透過深層網路的學習。
達成更出色的 AI：從生物世界到機器學習的橋梁
這項由伊多·坎特教授和他領導的實驗研究團隊（由羅尼·瓦爾迪博士領導）對 AI 系統的深入理解探索，旨在搭建生物世界和機器學習之間的橋梁，從而建立一個改進的先進 AI 系統。到當前為止，他們已經發現了使用神經元培養物實現高效樹突適應的證據以及如何在機器學習中實現這些發現，展示了淺層網路可以與深層網路競爭，並找到成功深度學習的機制。
展望未來：提高 AI 的分類任務
透過使用全域性決策來增強現有架構，可以為改進的 AI 開啟大門，從而在不需要新增更多層的情況下改進其分類任務。這項研究的發現對 AI 領域具有重要意義，為科學家和工程師們提供了一個新的方法來最佳化神經網路架構。
總結
巴伊蘭大學的研究人員透過採用全域性決策的方法，改進了現有的深度結構，從而為 AI 的分類任務提供了更好的解決方案。這種方法將以 Google Maps 或 Waze 等工具使用的路徑選擇思維應用於 AI 領域，從而實現更出色且更高效的機器學習系統。這項研究為 AI 的發展開啟了新的方向，並有望透過最佳化神經網路架構來實現更出色的 AI 表現。
建議和展望
基於這項研究的重要發現，科學家和工程師們可以開始運用全域性決策的思維來改進和最佳化現有的 AI 系統。這樣的方法為 AI 在各個領域的應用提供了更多可能性，包括自動駕駛、自然語言處理和影象識別等。此外隨著對神經網路架構的更深入理解，我們有望開發出更強大和高效的 AI 系統，進一步推動人工智慧技術的發展。
延伸閱讀
- 本週人工智慧大事記：OpenAI 轉向非安全應用
- AI 蓬勃發展，馬斯克對抗機械革命
- OpenAI 成立團隊控制「超智慧」AI，卻任憑其枯萎——訊息來源指出
- 開放 AI 與 Reddit 資料簽署合約，訓練人工智慧
- 智慧錢包 Kudos 獲得 1000 萬美元投資，研發 AI 功能挑選最佳信用卡
- 索尼音樂警告科技公司避免未經授權使用其內容訓練人工智慧
- Strava 啟用人工智慧防篡改排行榜，推出「家庭」計畫、深色模式等
- 參議院研究建議：每年至少撥款 320 億美元用於人工智慧計劃
- Google I/O 盛會 AI 領域的重大訊息
- Google 掃描通話的人工智慧或增加預設審查，隱私專家發出警告
